Saltar al contenido

Hockey is Melting Down

Air hockey educativo con una IA adaptativa entrenada con PPO y self-play. Cada nivel devuelve una pieza del equilibrio del planeta.

Cliente
Universidad del Norte
Año
2025
Con qué
PythonPygamePPOAprendizaje automático
Pantalla de selección de nivel, con los villanos climáticos y los niveles bloqueados

El reto

Un rival que no aburra ni humille

Un juego educativo sobre el clima tiene un problema doble. Si el mensaje pesa más que la partida, nadie lo juega dos veces; si el rival es un guion, se le encuentra el truco en diez minutos y deja de haber juego.

La dificultad tenía que salir del propio comportamiento del oponente, no de subirle la velocidad al disco. Eso descarta la IA por reglas y obliga a entrenar un agente — con lo que eso trae: un espacio de observación que describa la mesa entera y un sistema de recompensas que no premie ganar de cualquier manera.

  1. 01Un rival por reglas es predecible en pocas partidas
  2. 02Subir la velocidad no es dificultad, es frustración
  3. 03El mensaje climático no puede interrumpir el juego
  4. 04El agente debe correr en tiempo real, sin GPU
  5. 05Entrenar sin un rival humano disponible
  6. 06Medir la mejora contra algo que no sea uno mismo

Cómo se resolvió

La historia

Toca ♡ o 💬 junto a un párrafo para reaccionar o preguntar.

Un juego de air hockey que cruza la competencia con la conciencia climática. Está hecho con Python y Pygame, y el rival es una IA adaptativa entrenada con Proximal Policy Optimization (PPO) y self-play: gana el 81% de las partidas contra los baselines fuertes.

Cada nivel es un problema ambiental con su villano, y superarlo restaura esa parte del planeta: basura en el Ártico (Basuraura), agujero en la capa de ozono (UVBlade), tormenta de esmog (Smogetron), bosque desaparecido (Deforestix) y calor urbano (HeatCore).

Lo técnico que sostiene el juego: una arquitectura híbrida de PPO y self-play con corrección de comportamiento, un espacio de observación de 21 dimensiones —posiciones, velocidades y predicción de trayectoria—, self-play adaptativo contra versiones anteriores del propio agente, y un sistema de recompensas multiobjetivo con aprendizaje por currículo.

El deshielo polar funciona como metáfora: se ve derretirse mientras juegas. Publicado en OnBoard Knowledge Journal (2025). Desarrollado con Flavio Arregocés, Cristian González, Bella Mejía y Yovany Zhu — Universidad del Norte, Barranquilla.

Pantalla de juego y estado del planeta: hielo derritiéndose, fábricas y barras de progreso

Resultados

Lo que quedó funcionando

  • El agente gana el 81% de las partidas contra los baselines fuertes.
  • La dificultad emerge del comportamiento aprendido, no de parámetros subidos a mano.
  • El deshielo polar funciona como marcador: el estado del planeta ES el progreso.
  • Publicado en OnBoard Knowledge Journal (2025), con revisión por pares.
  • Primer puesto en la Feria Gamer de la Universidad del Norte.
  • El self-play elimina la necesidad de un rival humano para entrenar.

Equipo

  • Flavio Arregocés · Desarrollo
  • Cristian González · Desarrollo
  • Bella Mejía · Desarrollo
  • Jorge Sánchez · Desarrollo e IA
  • Yovany Zhu · Desarrollo

Siguiente caso

LaRueda